Pipe In R: Koblingsfunksjoner med Dplyr
I denne opplæringen lærer du hvordan du kobler funksjoner sammen ved å bruke dplyr-røroperatøren i programmeringsspråket R.
Rediger data i R ved å bruke DataEditR-pakken
I denne opplæringen lærer du hvordan du redigerer data i R ved å bruke DataEditR -pakken. .
DataEditR er en R-pakke som lar deg bygge dashboard og rapporter i R ved hjelp av en GUI. Deretter vil vi kunne peke-og-klikke, redigere og legge inn data. Du kan også laste den ned fra CRAN. Sjekk ut kurset for å vite hvordan du laster ned pakken.
La oss gå gjennom en kort demo. Det er et datasett fra CRAN der vi kan gjøre grunnleggende dataredigeringsmanipulasjon og deretter lagre det. Vi bruker en GUI for å gjøre det når R er et kodeverktøy.
Først, la oss starte opp RStudio, skriv inn biblioteket (DataEditR), og trykk Enter . Sørg for at du har den installert hvis du ikke har den.
Neste skriv inn browseVignettes (DataEditR) . Det er en god funksjon å kjøre fordi det er her vi kan sjekke opplæringen for denne pakken.
Kjør browseVignettes, og klikk deretter på HMTL- lenken.
Rull ned for å se listen over DataEditR-opplæringene. Du vil lære om hvordan du starter den opp, hvordan den fungerer, hvordan du importerer data til den og mer. Sjekk dette etter hvert som du blir mer avansert.
La oss gå tilbake til RStudio og fokusere på dataredigeringselementene i denne pakken.
Innholdsfortegnelse
Hvordan redigere data i R ved å bruke DataEditR-pakken
La oss skrive inn library(Ecdat ) etterfulgt av data(package = Ecdat), og deretter kjøre denne pakken.
Dette er R-datasettene i Ecdat . Det finnes mange forretningsorienterte datasett som er gode å bruke til praksis eller demoer.
For denne demoen skal vi bruke Housing-datasettet. Skriv inn data_edit(Housing) for å åpne et nytt vindu.
Nå er vi i Boligdataredaktøren. Vi kan også laste opp en ny fil her.
Vi har noen få alternativer her. Den første er Select Columns .
Dette er knapper der vi kan velge hvilken vi vil ha.
Den neste er filterradene .
Vi kan filtrere tall eller strenger og legge til eller fjerne filtre.
Neste er alternativet Synkroniser . Den lastes inn i vårt innledende oppsett for datasett.
La oss nå gå videre til de to alternativene for hvordan du lagrer dataene dine.
Alternativet Lagre til fil er for visse ting vi må lagre i utklippstavlen vår.
Vi kan også lagre hele datasettet ved å klikke på alternativet Lagre til fil .
For eksempel ønsker vi å lagre hele datasettet som en CSV-fil.
Høyreklikk på en av cellene i kolonnen for å se de forskjellige alternativene. I dette eksemplet velger vi Sett inn-raden ovenfor .
Vi kan legge inn data i feltene. Dette er noe vi ikke kan gjøre i Power Query.
Det er tilfeller når vi ønsker å bygge en nettapp der folk kan legge inn dataene sine. Den skytes rett inn i en R-fil, som går til den rørledningen vi ønsker. Det er som et front-end-verktøy.
Det er også enkelt å endre navn på kolonner i DataEditR fordi det hele bare er pek-og-klikk.
For eksempel ønsker vi å redigere historieoverskriften til n_stories . Alt vi trenger å gjøre er å klikke på cellen og gi den nytt navn.
En annen funksjon er å utvide og fylle ut flere tall, datoer eller til og med tekst til andre celler. Det ligner på hvordan det fungerer i Excel.
Klikk på en celle, forleng og fyll ut til andre celler.
Velg deretter deler av datasettet og høyreklikk for å endre justeringen av cellene.
Vi kan også bruke alternativet Beskjær til valg ved å markere cellene og beskjære de valgte cellene.
Denne pakken er under utvikling. Den store takeawayen er muligheten til å redigere data i R, spesielt å endre kolonnenavn og sette inn en kolonne.
V1 er en standard plassholder for kolonnenavn i R.
La oss nå klikke på Ferdig .
Dette er det endrede datasettet. Vi kan også beholde en kopi ved å lagre den.
Konklusjon
Vi kan bruke DataEditR-pakken for dataregistrering på grunn av dets Excel-lignende grensesnitt og dens pek-og-klikk-og-rediger-funksjon.
R-verktøyet er et reproduserbart verktøy der enhver endring er fullt redigerbar. Bruk av GUI er imidlertid ikke det mest reproduserbare verktøyet, men det har sine egne fordeler med brukergrensesnitt.
Jeg håper du kan bruke denne opplæringen når du redigerer dine egne data i R. Ikke glem å abonnere på LuckyTemplates TV-kanal.
Beste ønsker,
RANKX Deep Dive: A LuckyTemplates DAX-funksjon
RANKX fra LuckyTemplates lar deg returnere rangeringen til et spesifikt tall i hver tabellrad som utgjør en del av en liste med tall.
Trekker ut LuckyTemplates-temaer og bilder fra PBIX
Lær hvordan du demonterer en PBIX-fil for å trekke ut LuckyTemplates-temaer og bilder fra bakgrunnen og bruke den til å lage rapporten din!
Excel Formulas Cheat Sheet: Mellomveiledning
Excel Formulas Cheat Sheet: Mellomveiledning
LuckyTemplates-kalendertabell: Hva er det og hvordan du bruker det
LuckyTemplates-kalendertabell: Hva er det og hvordan du bruker det
Python i LuckyTemplates: Hvordan installere og sette opp
Lær hvordan du installerer programmeringsspråket Python i LuckyTemplates og hvordan du bruker verktøyene til å skrive koder og vise visuelle elementer.
Beregning av dynamiske fortjenestemarginer – enkel analyse av LuckyTemplates med DAX
Lær hvordan du beregner dynamiske fortjenestemarginer ved siden av LuckyTemplates og hvordan du kan få mer innsikt ved å grave dypere inn i resultatene.
Sortering av datotabellkolonner i LuckyTemplates
Lær hvordan du sorterer feltene fra kolonner med utvidet datotabell på riktig måte. Dette er en god strategi å gjøre for vanskelige felt.
Finn dine beste produkter for hver region i LuckyTemplates ved å bruke DAX
I denne artikkelen går jeg gjennom hvordan du kan finne de beste produktene dine per region ved å bruke DAX-beregninger i LuckyTemplates, inkludert TOPN- og CALCUATE-funksjonene.
Søppeldimensjon: Hva er det og hvorfor det er alt annet enn søppel
Lær hvordan du bruker en søppeldimensjon for flagg med lav kardinalitet som du ønsker å inkludere i datamodellen din på en effektiv måte.